问题出现得很突然，日志倒是留得挺全。一小时访谈录音按固定 10 秒切片送转写，合并后的文本在每个交界处少两三个字，抽查第 47 段与第 48 段之间，原话说的是「这个方案下个月上线」，结果只剩「这个方案」和「上线」。
刚开始盯着「合并时按时间戳去重把重叠部分整段删掉」，折腾了半个多小时，排掉了。
把日志和配置对完，能解释这个现象的基本就这几处。切点落在词语中间，两段各自解码都缺一半。另一种情况是切片之间没有重叠，边界处没有上下文。
少数情况下是每段单独做 VAD，尾音被判定为静音裁掉。
上来先按静音点找合适的切分位置
ffmpeg -i talk.wav -af silencedetect=noise=-32dB:d=0.5 -f null - 2>&1 | grep silence_start | head -20随后切分时给出 1.5 秒重叠
ffmpeg -y -i talk.wav -f segment -segment_time 10 -reset_timestamps 1 -c:a pcm_s16le part_%03d.wav接着合并时按词级时间戳去重而不是整段删除
python -c "print({'overlap_sec':1.5,'dedup':'by_word_timestamp'})"等前面都确认过，再抽三段交界处人工比对
python -c "print({'seg':47,'expect':'这个方案下个月上线'})"怎么算真的好了，看的是同一批现象。交界处的句子完整，没有重复也没有缺字，整篇文本与人工抽听的三段一致，段落数与原切片数不再相关。
重叠是必要的浪费，宁可多转一点再按时间戳裁掉，也别在切点处赌运气，尤其是语速快的访谈。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。